Revista Colombiana de Estadstica

Junio 2009, volumen 32, no. 1, pp. 145 a 156

Una reparametrizacin de la distribucin

triangular basada en las distribuciones
skew-simtricas
A reparametrization of Triangular Distribution based on the
Skew-Symmetric Distributions
Juan F. Olivares-Pacheco1,a , David Elal-Olivero1,b ,
Hctor W. Gmez2,c , Heleno Bolfarine3,d
1 Departamento

de Matemtica, Facultad de Ingeniera, Universidad de Atacama,

Copiap, Chile

2 Departamento
3 Departamento

de Matemticas, Facultad de Ciencias Bsicas, Universidad de

Antofagasta, Antofagasta, Chile

de Estatstica, Instituto de Matemtica e Estatstica, Universidad

de So Paulo, So Paulo, Brasil

Resumen
En este trabajo se considera un nuevo enfoque para el estudio de la distribucin triangular usando el desarrollo terico detrs de las distribuciones
Skew. La distribucin triangular aqu entregada se obtiene por reparametrizacin de la distribucin triangular usual. Se estudian las principales propiedades probabilsticas, incluidos los momentos, coeficientes de asimetra y
kurtosis; adems, se muestra una representacin estocstica para el modelo
estudiado, que proporciona un mtodo sencillo y eficiente para la generacin
de variables aleatorias. As mismo, se implementa la estimacin por el mtodo de los momentos y, a travs de un estudio de simulacin, se ilustra el
comportamiento de las estimaciones de los parmetros.
Palabras clave: distribuciones skew, distribucin triangular, asimetra, kurtosis.
Abstract
In this paper a new approach is considered for studying the triangular
distribution using the theoretical development behind Skew distributions.
Triangular distribution are obtained by a reparametrization of usual triangular distribution. Main probabilistic properties of the distribution are studied,
a Instructor

y estudiante de doctorado en estadstica. E-mail: jolivares@mat.uda.cl

asociado. E-mail: delal@mat.uda.cl
c Profesor asociado. E-mail: hgomez@uantof.cl
d Profesor titular. E-mail: hbolfar@ime.usp.br
b Profesor

145

146

Juan F. Olivares-Pacheco, et al.

including moments, asymmetry and kurtosis coefficients, and an stochastic
representation, which provides a simple and efficient method for generating random variables. Moments estimation is also implemented. Finally, a
simulation study is conducted to illustrate the behavior of the estimation
approach proposed.
Key words: Skew distribution, Triangular distribution, Skewness, Kurtosis.

1. Introduccin
a

La distribucin triangular con funcin de densidad de probabilidad (fdp) igual

(
xa
, a x < m;
2
fX (x | a, m, b) =
ma
(1)
bx
ba
m x b.
bm ,

es til como una aproximacin inicial en situaciones en que no es posible obtener

datos confiables o en situaciones en que se disponen de pocos de ellos. Esta distribucin se emplea en economa, donde el inters de estudio se refiere al anlisis de
la duracin de proyectos econmicos usando las siguientes estimaciones: optimista,
pesimista y ms probable. La distribucin de la forma descrita en (1) ha sido estudiada ampliamente por muchos autores. Tempranamente lo hizo Ayyangar (1941);
tambin existes un amplio estudio de esta distribucin entre 1962 y 1999, donde el
enfoque est centrado en el anlisis de la metodologa PERT (Project Evaluation
and Review Technique) (ver Clark (1962), Grubbs (1962), MacCrimmon & Ryavec (1964), Moder & Rodgers (1968), Vduva (1971), Williams (1992), Keefer &
Bodily (1983), y Johnson (1997) por mencionar algunos). Ms an, una reciente
monografa dada por Kozt & Van Drop (2004) muestra con detalles los trabajos
realizados con la distribucin de la forma de (1).
El principal objetivo de las distribuciones Skew es estudiar modelos estadsticos
paramtricos que permitan modelar datos provenientes de distribuciones asimtricas unimodales y bimodales (Elal-Olivero et al. (2009)). Usualmente, el problema
de datos asimtricos ha sido tratado mediante transformaciones de los mismos, de
modo que las observaciones transformadas puedan estudiarse mediante el modelo
normal. Este procedimiento presenta al menos dos inconvenientes: el primero se
relaciona con la determinacin de la transformacin requerida para obtener normalidad; el segundo, con la interpretacin de los resultados obtenidos a partir de
los datos transformados. Estos aspectos muestran con claridad la conveniencia de
disponer modelos que incorporen parmetros en su estructura paramtrica para
modelar lo simtrico de los datos.
Una de las primeras distribuciones asimtricas, denominadas Skew, fue estudiada por Azzalini (1985), que presenta una forma de generar distribuciones asimtricas a travs de la incorporacin de un parmetro de asimetra a distribuciones
simtricas. Particularmente, Azzalini estudia la distribucin Skew-Normal, algunas
de sus propiedades son abordadas formalmente en el caso univariado. Mudholkar
& Hutson (2000) presenta otro enfoque para generar distribuciones Skew, denominado familia Epsilon-Skew-Normal. Una familia ms general, denominada EpsilonRevista Colombiana de Estadstica 32 (2009) 145156

Una reparametrizacin de la Distribucin Triangular

147

Skew-Exponencial-Potencia, fue estudiada por Arellano-Valle et al. (2005). Estos

y los subsecuentes trabajos en distribuciones Skew se basan en distribuciones con
soporte infinito. Una importante y reciente referencia en tales modelos aparecen
en el libro editado por Genton (2004). Una de las caractersticas que presenta
este tipo de distribuciones, considerada en este trabajo, est que la asimetra es
representada por un parmetro.
Por tanto, en este trabajo, se presenta una reparametrizacin de la distribucin
dada en (1), con el fin de obtener una estructura paramtrica, tal que la asimetra
propia de esta distribucin sea caracterizada por un parmetro, y as explicar este modelo a travs de un parmetro de localizacin, escala y asimetra. Estudiar
desde este enfoque la distribucin triangular permite mostrar algunas propiedades
bsicas; por ejemplo, representacin estocstica, momentos y coeficientes de asimetra y kurtosis. Adems, se llevan a cabo estudios de simulacin para investigar
el comportamiento de los parmetros.
Este trabajo est organizado como sigue. En la seccin 2, se muestra la reparametrizacin de la distribucin triangular realizada. En la seccin 3, se muestra
la representacin estocstica para la nueva distribucin. En la seccin 4, se dan
los momentos de la distribucin y, en particular se analizan los coeficientes de asimetra y kurtosis. En la seccin 5, se obtienen los estimadores de momentos y las
varianzas asintticas para los parmetros de la distribucin. Tambin se realiza un
estudio de simulacin. Los comentarios finales son presentados en la seccin 6.

2. Una nueva parametrizacin de la distribucin

triangular
Para realizar la reparametrizacin, consideremos la transformacin a =
(1 + ), b = + (1 + ) y m = en (1), donde los parmetros se definen por,
localizacin, escala y asimetra. Entonces, podemos redefinir (1):
Definicin 1. Si la variable aleatoria X se distribuye de acuerdo con la densidad


1 1 + x , (1 + ) x ;

(1+) 
(2)
fX (x | , , ) =
1 1 x , < x + (1 ) .

(1)

entonces X se distribuye triangularmente con parmetros , y , denotado como

X T (, , ), donde R, > 0 y || < 1.

Observacin 1. (a) El tringulo generado por la densidad dada en (2) presenta

una nica moda , con base de longitud constante igual a 2. (b) Cuando = 0,
la densidad dada en (2) es simtrica en torno a ; adems, presenta una base fija
en [ , + ]. (c) Sea X T (, , ). Si Y = X + , entonces


1 1 + y(+) , y + ;

(1+) 
fY (y | , , ) =
(3)
1 1 y(+) , + < y + .

(1)
Revista Colombiana de Estadstica 32 (2009) 145156

148

Juan F. Olivares-Pacheco, et al.

Note que el tringulo generado por fY (y | , , ) presenta una base fija en

[ , + ].

3. Representacin estocstica
En esta seccin se muestra la representacin estocstica de la distribucin triangular bajo la reparametrizacin dada en la seccin anterior.
Proposicin 1. Sean H e Y variables aleatorias independientes, donde H =
R1 R2 , con Ri variables aleatorias independientes de distribucin uniforme (0, 1)
1
para i = 1, 2 y P (Y = (1 + )) = 1+
2 , P (Y = (1 )) = 2 . Por tanto, si
W = |H|Y , entonces W T (0, 1, ), donde || < 1.
Demostracin.
FW (w) = P (W x)
= P (|H|Y w)





w
1
w
1+
1 P |H|
+
P |H|
=
2
1+
2
1




1+ 1+
w
1
w
FW (w) =

F|H|
+
F|H|
2
2
1+
2
1
Derivando, se tiene que
1
fW (w) = f|H|
2

w
1+

1
+ f|H|
2

donde f|H| (t) = 2(1 t), 0 < t < 1. Por tanto, si 0

Y si 0 <

w
1

fW (w) = 1 +

w
1+

fW (w) = 1

w
1

w
1

w
1+

< 1, entonces

< 1, se tiene

Luego,
fW (w) =

1+
1

w
1+ ,
w
1 ,

(1 + ) w 0;
0 < w 1 .

Haciendo X = + W , se obtiene obtenemos la densidad de (2). Adems, es

fcil ver que si Ri U (0, 1) para i = 1, 2, se tiene que
(
1 + u, 1 u 0;
fR1 R2 (u) =
1 u, 0 < u 1.
Revista Colombiana de Estadstica 32 (2009) 145156

149

Una reparametrizacin de la Distribucin Triangular

considerando que Rla distribucin de la diferencia de dos variables aleatorias es dada

por fR1 R2 (u) = fR1 ,R2 (u + v, v) dv.

Entonces, se tiene que F|H| (t) = FR1 R2 (t) FR1 R2 (t), lo cual implica que
f|H| (t) = fR1 R2 (t) + fR1 R2 (t), 0 < t < 1; por tanto, f|H| (t) = 2(1 t),
0 < t < 1.
Usando los resultados dados en la proposicin 1, se puede desarrollar un algoritmo para generar variables aleatorias con distribucin de acuerdo con la distribucin
triangular. Tal algoritmo es presentado a continuacin.
Algoritmo 3.1. Generacin de variables aleatorias triangulares.
1. Sean Ri U (0, 1), i = 1, 2, 3, variables aleatorias independientes.
2. Calcular |H| = |R1 R2 |.
3. Si 0 R3

1+
2 ,

entonces Y = (1 + ). En otro caso, Y = (1 ).

4. Calcular W = |H|Y , con W T (0, 1, ).

5. Hacer X = + W con X T (, , ), donde y son parmetros de
localizacin y escala, respectivamente.

4. Momentos
4.1. Momentos
La representacin estocstica presentada en la proposicin 1 permite calcular de forma simple los momentos de la distribucin triangular, considerando la
independencia entre las variables aleatorias |H| e Y .
Proposicin 2. Sean W T (0, 1, ) y X T (, , ), con X = +W . Entonces
el n-simo momento de la variable X es dado por
n  
i
i+1
i+1
X
n ni i (1) (1 + )
+ (1 )
n
n = E [X ] =

(4)
i
(i + 1) (i + 2)
i=0
Demostracin. Ya que X T (, , ), con X = + W , se tiene que

n
E [X n ] = E ( + W )
Pm
m
Considerando el teorema del binomio, (a + b) = k=0
n  
X
n ni i h i i
n
E [X ] =
E W
i
i=0

m
k

mk k
a
b , se tiene

Por otro lado, si W = |H|Y , entonces

i h i
h
i
h


E W k = E (|H|Y )k = E |H|k E Y k
Revista Colombiana de Estadstica 32 (2009) 145156

150

Juan F. Olivares-Pacheco, et al.

El k-simo momento de la variable aleatoria |H| es dado por

h
i
2
E |H|k =
(k + 1) (k + 2)
Adems, el k-simo momento de la variable aleatoria Y es dado por
h i
k
k (1 + )
k (1 )
E Y k = (1) (1 + )
+ (1 )
2
2
k
k+1
k+1
(1) (1 + )
+ (1 )
=
2
Entonces, el k-simo momento de la variable aleatoria W es

 (1)k (1 + )k+1 + (1 )k+1
E Wk =
(k + 1) (k + 2)

lo cual implica que el k-simo momento de la variable aleatoria X es

n  
i
i+1
i+1
X
n ni i (1) (1 + )
+ (1 )
E [X n ] =

i
(i + 1) (i + 2)
i=0
Corolario 1. Sea X T (, , ). Entonces
E[X] =
V (X) =

2
3

3 + 2
18

(5)
!

(6)

Considerando la biyeccin existente entre los parmetros (a, b, m) y (, , ),

a saber = m, = (b a)/2 y = (2m b a)/2, usando (4) se obtienen los
momentos de la distribucin triangular en funcin de los parmetros (a, b, m).

4.2. Coeficientes de asimetra y kurtosis

Ahora se estudiarn los coeficientes de asimetra y kurtosis de la distribucin
triangular en esta nueva reparametrizacin.
Proposicin 3. El coeficiente de asimetra de una variable aleatoria X T (0, 1, )
es dado por

p
2 2 2 9
1 =
(7)
3/2
5 (2 + 3)
Debido que || < 1, entonces

p
2
2
2 1
2
5
5

(8)

Revista Colombiana de Estadstica 32 (2009) 145156

151

Una reparametrizacin de la Distribucin Triangular

Demostracin. Usando el coeficiente estandarizado, se tiene que

p
3 31 2 + 231
1 =
3/2
(2 21 )
donde 1 , 2 y 3 son los tres primeros momentos obtenidos a partir de la ecuacin
(4).
Proposicin 4. El coeficiente de kurtosis de una variable aleatoria X T (, , )
es dado por
12
(9)
2 =
5
Demostracin. Usando el coeficiente de kurtosis estandarizado se tiene que
2 =

4 41 3 + 621 2 341
2

(2 21 )

donde 1 , 2 , 3 y 4 son los cuatro primeros momentos obtenidos a partir de la

ecuacin (4).

5. Inferencia estadstica basada en el mtodo de

momentos
En esta seccin se presentarn los estudios inferenciales basados en los momentos de (2). Para una discusin de los estimadores de mxima verosimilitud se
recomienda ver Van Dorp & Kotz (2002).

5.1. Inferencia para el parmetro de asimetra

Proposicin 5. Sea W1 , . . . , Wn una muestra aleatoria de la distribucin W
T (0, 1, ), con funcin de densidad dada por (2), entonces el estimador de momentos es dado por
3
bM = W
(10)
2
donde
a) bM , es insesgado.
b) ECM (b
M ) =

3+2
8n ,

error cuadrtico medio.

Demostracin. Usando los resultados dados en las ecuaciones (5) y (6) para
W T (0, 1, ), se tiene que
a) E [b
M ] = E

 3
2


W =

3
2n

n
P

i=1

E [Wi ] =

3 2
2 3

Revista Colombiana de Estadstica 32 (2009) 145156

152

Juan F. Olivares-Pacheco, et al.

b) ECM (b
M ) = V (b
M ) =

9
4n2

n
P

V (Wi ) =

i=1

9
4n

3+2
18

3+2
8n

5.1.1. Estudio de simulacin para el parmetro de asimetra

Ahora se presentan los resultados del estudio de simulacin realizado al parmetro de asimetra . El objetivo principal de este estudio es verificar el comportamiento del estimador de momento para este parmetro.
Se generaron variables aleatorias Skew Triangular usando el algoritmo 3.1, para
= 0.9, 0.7, 0.5, 0.3, 0, 0.3, 0.5, 0.7 y 0.9, con = 0 y = 1 fijos. Todas
las simulaciones son realizadas para cuatro diferentes tamaos muestrales, n = 30,
50, 100 y 200. La tabla 1 presenta la media y las desviaciones estndar para las
estimaciones basadas en 1000 iteraciones.
Tabla 1: Media y desviaciones estndar simuladas para la estimacin de .

0.9
0.7
0.5
0.3
0
0.3
0.5
0.7
0.9

n = 30
bM (SD)
0.898(0.129)
0.699(0.121)
0.497(0.110)
0.298(0.116)
0.000(0.113)
0.297(0.115)
0.502(0.117)
0.696(0.121)
0.903(0.126)

n = 50
bM (SD)
0.903(0.098)
0.699(0.093)
0.501(0.089)
0.301(0.087)
0.003(0.086)
0.296(0.088)
0.498(0.090)
0.700(0.095)
0.902(0.098)

n = 100
bM (SD)
0.899(0.069)
0.700(0.066)
0.497(0.061)
0.300(0.061)
0.000(0.061)
0.300(0.062)
0.501(0.065)
0.702(0.068)
0.903(0.069)

n = 200
bM (SD)
0.898(0.048)
0.700(0.046)
0.499(0.044)
0.299(0.044)
0.001(0.042)
0.301(0.044)
0.499(0.044)
0.700(0.047)
0.900(0.048)

5.2. Inferencia para los tres parmetros

Si X1 , . . . , Xn es una muestra aleatoria desde la distribucin X T (, , ) con
funcin de densidad dada en (2), entonces, usando (4), se calculan los tres primeros
momentos poblacionales y se igualan con los tres primeros momentos muestrales
para obtener los estimadores de momentos para los parmetros de localizacin,
escala y asimetra. Los momentos poblacionales vienen dados por
2
3


h i
4 2 1 + 32
2
2
E X =
+
3
6




h i
2

1 + 32
2 3 1 + 2
3
3
2
E X = 2 +

2
5
mientras que los momentos muestrales son
E [X] =

(11)
(12)
(13)

Xk =

1X k
X
n i=0 i

(14)

Revista Colombiana de Estadstica 32 (2009) 145156

153

Una reparametrizacin de la Distribucin Triangular

De (14), se obtiene obtenemos X, X 2 , X 3 y se igualan con (11), (12) y (13),

respectivamente. Este sistema de ecuaciones (15), es resuelto en funcin de
bM ,

bM y bM , que representan los estimadores de momentos de , y .

2b
M bM
=X
3

b2 1 + 3b
2M
4b
M
bM bM
+ M
=X 2

b2M
3

6


2
2b
3 bM 1 + b2M

bM
bM
1 + 3b
2M
M
=X 3
2b
2M
bM bM +
2
5

bM

b3M

(15)

La distribucin asinttica de los momentos se presentan a continuacin.

Proposicin 6. Sean X1 , . . . , Xn una muestra aleatoria para la distribucin T (, , ).


bM (n) son los
Sean = (, , ) y Ek = E X k , k = 1, 2, 3. Si 6 () < y
correspondientes estimadores de momentos, entonces se tiene que


D
bM (n)
n
N3 (0, ())
(16)



o
P  1 T P n
donde = H 1 ()
H () ,
= Ei+j Ei Ej ij y
H() =

E2

E3

E1

E2

E3

E1

E2

E3

(17)

con E1 , E2 y E3 como los tres primeros momentos poblacionales dados en (11),

(12) y (13).
Demostracin. La demostracin utiliza resultados de la teora asinttica mostradas por Sen & Singer (1993).
5.2.1. Estudio de simulacin para los tres parmetros
Ahora se presentarn varios resultados de simulacin para los parmetros de
localizacin, escala y asimetra. Se generan variables aleatorias triangulares a travs
del algoritmo 3.1; los momentos muestrales se calculan usando (14). Debido a la
complejidad del sistema (15), no se puede obtener alguna solucin algebraica;
entonces se usa una solucin numrica para obtener los estimadores de
bM ,
bM y
bM . El comando fsolve en el software MAPLE ha sido empleado para implementar
este procedimiento, el cual se muestra a continuacin.
Algoritmo 5.1. Simulacin para los estimadores muestrales de , y .
1. Fijar valores iniciales para los parmetros , y .
2. Generar una muestra aleatoria de tamao n desde el algoritmo 3.1.
Revista Colombiana de Estadstica 32 (2009) 145156

154

Juan F. Olivares-Pacheco, et al.

3. Usando la muestra generada en el paso 2, calcular los momentos muestrales

X, X 2 y X 3 .
4. Calcular
bM ,
bM y bM usando el sistema de ecuaciones (15).

5. Repetir los pasos 2, 3 y 4, al menos 1000 veces.

6. Las estimaciones se obtienen calculando

bM =
bM =

j
P

i=1

bi /j, con j = 1000.

j
P

i=1

bi /j,
bM =

j
P

i=1

bi /j y

La tabla 2 muestra algunos resultados obtenidos de la implementacin del

algoritmo descrito en 5.1, que ilustran tambin las desviaciones estndar de los
estimadores.
Tabla 2: Media y desviaciones estndar simuladas para estimaciones de , y .

10
15
20
10

10
15
20
10

3
4
5
2

0
0.5
0.5

3
4
5
2

0
0.5
0.5

bM (SD)
9.929(0.402)
14.994(0.538)
20.974(0.677)
9.986(0.501)
9.956(0.626)
9.948(0.696)
5.003(0.302)
4.929(0.319)
5.106(0.310)

bM (SD)
9.952(0.359)
14.989(0.506)
19.982(0.657)
10.028(0.419)
9.980(0.475)
9.945(0.536)
4.995(0.237)
4.954(0.271)
5.043(0.266)

n = 100

bM (SD)
1.967(0.136)
1.975(0.133)
1.983(0.138)
2.982(0.213)
3.987(0.269)
4.949(0.325)
1.986(0.137)
1.987(0.146)
2.008(0.141)
n = 200

bM (SD)
1.972(0.102)
1.990(0.103)
1.989(0.104)
2.990(0.157)
3.983(0.213)
4.973(0.257)
1.982(0.106)
1.994(0.118)
1.993(0.113)

bM (SD)
0.023(0.169)
0.004(0.163)
0.002(0.160)
0.003(0.162)
0.009(0.170)
0.008(0.159)
0.003(0.162)
0.467(0.192)
0.431(0.181)
bM (SD)
0.015(0.112)
0.001(0.112)
0.002(0.112)
0.010(0.112)
0.004(0.110)
0.010(0.111)
0.000(0.112)
0.478(0.157)
0.475(0.155)

6. Comentarios finales
En este trabajo, se ha considerado un nuevo enfoque para la presentacin de
la distribucin triangular con los conceptos de distribuciones Skew. Tal representacin de la distribucin triangular permite enriquecer aspectos inferenciales y
propiedades de la distribucin triangular. El mostrar una representacin estocstica para el modelo en cuestin da ciertas ventajas al llevar a cabo algn estudio de
simulacin, ya que la representacin estocstica permite la generacin de variables
Revista Colombiana de Estadstica 32 (2009) 145156

155

Una reparametrizacin de la Distribucin Triangular

aleatoria y se suma como una nueva opcin al desarrollar estos experimentos. De

los estudios de simulacin, se observa que la inferencia realizada por el mtodo de
momentos es muy consistente y sencilla. Adems, si X T (, , ), entonces la
transformacin Y = X + (ver observacin 1.b) permite generar una distribucin triangular en que la base del tringulo queda fija y la moda, variable, como
se presenta tpicamente en la literatura. Esto ofrece grandes dificultades para el
anlisis y estudio.

Agradecimientos
Los autores agradecen a los rbitros y a la editora por sus valiosos comentarios.
La investigacin de H.W. Gmez ha sido parcialmente financiada por el Proyecto
FONDECYT (Chile), 1060727. J. F. Olivares-Pacheco agradece a la Comisin Nacional de Ciencia y Tecnologa-CONICYT por financiar sus estudios de doctorado
en la Pontificia Universidad Catlica de Chile. El trabajo de H. Bolfarine ha sido
parcialmente financiado por CNPq-Brasil.


Recibido: mayo de 2008 Aceptado: abril de 2009

Referencias
Arellano-Valle, R. B., Gmez, H. W. & Quintana, F. A. (2005), Statistical Inference for a General Class of Asymmetric Distributions, Journal of Statistical
Planning and Inference 128, 427443.
Ayyangar, A. S. K. (1941), The Triangular Distribution, Mathematics Student
9, 8587.
Azzalini, A. (1985), A Class of Distribution which Include the Normal Ones,
Scandinavian Journal of Statistics 12, 171178.
Clark, C. E. (1962), The PERT Model for the Distribution of an Activity, Operations Research 10, 405406.
Elal-Olivero, D., Gmez, H. W. & Quintana, F. A. (2009), Bayesian Modeling
using a Class of Bimodal Skew-Elliptical Distributions, Journal of Statistical
Planning and Inference 139, 14841492.
Genton, M. G. (2004), Skew-Elliptical Distributions and their Applications: A
Journey Beyond Normality, Chapman & Hall/CRC.
Grubbs, F. E. (1962), Attempts to Validate Certan PERT Statistics or a Picking
on PERT, Operations Research 10, 912915.
Johnson, D. (1997), The Triangular Distribution as a Proxy for the Beta Distribution in Risk Analysis, The Statistician 46, 387398.
Revista Colombiana de Estadstica 32 (2009) 145156

156

Juan F. Olivares-Pacheco, et al.

Keefer, D. L. & Bodily, S. E. (1983), Three-point Approximations for Continuous

Random Variables, Management Science 29(5), 595609.
Kozt, S. & Van Drop, J. R. (2004), Beyond Beta, Other Continuous Families of
Distributions with Bounded Support and Aplications, World Scientific Press,
Republic of Singapore.
MacCrimmon, K. R. & Ryavec, C. A. (1964), An Analytic Study of the PERT
Assumptions, Operations Research 12, 1638.
Moder, J. J. & Rodgers, E. G. (1968), Judgment Estimate of the Moments of
PERT type Distributions, Management Science 15(2), 7683.
Mudholkar, G. S. & Hutson, A. D. (2000), The Epsilon-SKew-Normal Distribution for Analysing Near-Normal Data, Journal of Statistical Planning and
Inference 83, 291309.
Sen, P. K. & Singer, M. J. (1993), Large Sample Method in Statistics, Chapman
& Hall, New York, United States.
Vduva, I. (1971), Computer Generation of Random Variables and Vector Related
to PERT Problems, In: Proc. 4th Conf. Probability Thoery, Barsov (ed. B.
Bereanu) pp. 381395.
Van Dorp, J. & Kotz, S. (2002), A Novel Extension of the Triangular Distribution
and its Parameter Estimation, The Statistician 51, 6379.
Williams, T. M. (1992), Practical use of Distributions in Network Analysis, Journal of Operations Research Society 43, 265270.

Revista Colombiana de Estadstica 32 (2009) 145156